República Bolivariana de Venezuela

Ministerio del Popular para la Educación Superior

Universidad Nacional Experimental ¨Rafael María Baralt¨
Trujillo Estado Trujillo.

ACTIVIDAD IV
TRABAJO.

Estudiantes:
Leonela Núñez.
CI: 26.690.866.
Ledis Valera.
CI: 27.619.262.
Jesús López.
Ci: 27.022.647
Materia: Técnicas para la toma de decisiones.
Profesor: Jesús Pineda

Trujillo, Septiembre de 2022.

 INDICE
Paginas

Introducción………………………………………………………...1-2

Modelo de redes……………………………………………………3-4

Algoritmo de árbol de expansión mínima………………………...4-5

Modelo de flujo máximo………………………………………........5-6

Problema del flujo capacitado con costo mínimo…………………6-8

Métodos CPM y PERT……………………………………………...8-9

Programación de metas………………………………………….….9-12

Una formulación de programación de metas …………………..…12-19

Algoritmos de programación de metas……………………………..19-26

Modelos determinísticos de inventario……………………………...26-27

Modelo general de inventario………………………………………..28-29

Modelos dinámicos de cantidad económica de pedido……………29-33

Análisis de decisiones y juegos……………………………………...33-42

Toma de decisiones bajo certidumbre…………………………..…..42-43

Toma de decisiones bajo riesgo……………………………………...43

Decisión bajo incertidumbre………………………………………..…43

Sistemas de colas……………………………………………………...43

Elementos de un modelo de cola.................................................... 44-47

¿Por qué estudiar sistemas de colas ……………………………...…47

Conclusiones…………………………………………………..………..48-49

Referencia bibliográfica……………………………………………..….50-51
 Introducción.

Aunque en los inicios de la red de comunicaciones cada empresa y

fabricante tenía su propio modelo de red, el tiempo y la evolución
tecnológica. A partir del hecho que las redes existen y que ellas son
de diferentes naturaleza, aquí nos interesamos por tres clases de
redes: la red tecnológica de la comunicación, representada por
Internet y la Web, la red social íntimamente ligada a la primera, y
formada por el conjunto de usuarios de estas tecnologías en sus
intercambios de información y de conocimientos, los cuales se
configuran a su vez como redes de conocimiento. Digamos que la
llamada “sociedad de la información” resulta por una gran parte del
encuentro de estas tres redes en una estructura global.
Como sabemos, las redes sociales son el objeto de estudio de lo que
se conoce en ciencias sociales como el “análisis de redes sociales”
(Knoke & Kuklinski, 1982, Scott, 1991, Wasserman & Faust, 1991,
Degenne & Forsé, 2001)2 . Pero es interesante de observar que el
“análisis de redes sociales” ha sido redescubierto y retomado por los
analistas de la Web considerándola como un caso de red social. En
efecto, existe un cierto consenso en cuanto a la idea que la Web
puede ser considerada desde el paradigma del análisis de las redes
sociales, esto es, siguiendo el enfoque desarrollado en el campo de
las ciencias sociales (Mercklé, 2004), y que es así extendido al
análisis de las redes tecnológicas de la comunicación mediante las
cuales se constituyen las redes de conocimiento.
En el mundo real las decisiones, con frecuencia, no se toman en
base a un único criterio sino que muchas veces se desean optimizar
simultáneamente varios objetivos, generalmente en conflicto, sujetos
a un conjunto de restricciones. Surge así lo que se conoce como
programación multiobjetivo. Dentro del campo de la programación
multiobjetivo la mayor parte de la bibliografía existente hace especial
énfasis en los problemas lineales multiobjetivo, donde todas las

1
funciones objetivo son lineales y el conjunto de restricciones es un
poliedro convexo, o en los problemas convexos multiobjetivo, en los
que el conjunto de restricciones es convexo y las funciones objetivo
son convexas si se tratan de minimizar y cóncavas si se tratan de
maximizar. Sin embargo, en numerosas ocasiones los problemas
reales no se formulan adecuadamente a través de modelos lineales o
convexos sino que necesitan ser modelizados a través de un
cociente de funciones. Aparecen así los problemas con funciones
objetivo fraccionales que, en general, no son cóncavas ni convexas y
a los que se denomina problemas o programas fraccionales
multiobjetivo.

2
Modelos de redes:

Es importante tener en cuenta que un modelo de red es un modelo

de transbordo con capacidades, el cual puede adoptar diversas formas,
como el modelo de la ruta más corta y el modelo del  flujo máximo y
mínimo, el problema de árbol de alcance mínimo, método de camino
crítico, entre otras aplicaciones de la planeación financiera y de
producción.

Por lo tanto, la principal característica de un modelo de transbordo

con capacidades es que es una red donde las ofertas están en los puntos
de origen específicos, las demandas en los puntos de destino específicos
y las alternativas de embarque se ofrecen por medio de los nodos
intermedios, de manera que siguen rutas con capacidades definidas
desde los orígenes hasta los destinos.

Cabe destacar que una red se compone de un conjunto de nodos

unidos por arcos o ramas. Por lo que la notación para describir una red es
(N, A), donde N es el conjunto de nodos, y A es el conjunto de arcos.

Ahora bien, cabe destacar que un modelo de redes también cuenta

con sus versiones; entre ellas están:

Versión 1; Matriz de incidencia nodo – arco: Esta es una tabla para

representar los datos de las restricciones en un modelo de red. Cada arco
de la red corresponde a una columna de la tabla. Cada nodo de la red
corresponde a una fila de la tabla. Las columnas solo tienen dos entradas
diferentes a cero: +1 y -1.

Versión 2; Técnica de árbol de expansión mínima: Este árbol vincula los

nodos de una red valiéndose de la longitud mínima total de las ramas de
conexión. Por lo que es una aplicación común que se presenta en la
pavimentación de carreteras que unen poblaciones, de forma directa, o
que pasan por otras poblaciones. Por lo que la solución del árbol de
mínima expansión proporciona el diseño del sistema de carreteras

3
Versión 3; Tipos de Modelo de Redes: La familia de redes de los
problemas de optimización incluye los siguientes prototipos de modelos:
Problemas de asignación, camino crítico, flujo máximo, camino más corto,
transporte y costo mínimo de flujos. Donde los problemas son
establecidos fácilmente mediante el uso de arcos de redes y de los nodos.

Algoritmo árbol de expansión mínima:

Es importante destacar que el origen del algoritmo fue diseñado como

un árbol de expansión mínima, el cual fue desarrollado por el científico
checo Otakar Boruvka en 1926. Este algoritmo nace en el intento de
encontrar una red eléctrica que fuese eficiente para Moravía. 

Por su parte el algoritmo del árbol de expansión mínima es un modelo

de optimización de redes que consiste en enlazar todos los nodos de la
red de forma directa o indirecta con el objetivo de que la longitud total de
los arcos o ramales sea mínima. Ya que este comienza desde un vértice
y encuentra todos sus nodos accesibles y las relaciones en conjunto que
permiten que se conecten dichos nodos con el menor peso posible. Al
encontrar las relaciones de menor peso entre datos contenidos en
vértices que conforman un grafo, este tipo de algoritmo puede ser
utilizado para diseñar rutas de recorridos en sistemas de carreteras o
itinerario de rutas aéreas para que las rutas planificadas sean más
eficientes. También el árbol de expansión de peso mínimo puede ser
utilizado para analizar correlaciones en sistemas financieros de mercados
de divisas. Asimismo, este algoritmo es de gran utilidad para rastrear
datos dentro de sistemas complejos de comprender o de muchas
variables.

Cabe destacar; que este es apropiado para problemas en los cuales

la redundancia es expansiva, o el flujo a lo largo de los arcos se considera
instantáneo. El problema surge cuando todos los nodos de una red deben
conectarse entre ellos sin formar un ciclo. La aplicación de estos
problemas de optimización se ubica en las redes de comunicación

4
eléctrica, telefónica, carretera, ferroviaria, aérea, marítima, hidráulica o de
gas, entre otros. Donde los nodos representan puntos de consumo
eléctrico, teléfonos, aeropuertos, computadoras y los arcos podrían ser de
alta tensión, cable de fibra óptica, rutas aéreas, agua, gas entre otros. A
este también se le conoce como árbol generador mínimo, por lo que es
una red conexa y ponderada que se refiere a utilizar los arcos de la red
para llegar a todos los nodos de esta, de manera tal que se minimiza la
longitud total.

Modelo de Flujo Máximo:

Es un método aplicable para la optimización de rutas entre dos puntos

de importancia, esto en su mayoría es aplicable en oleoductos, redes
eléctricas o de transmisión de datos, ya que en dichas situaciones se
debe determinar el flujo máximo que pasa a través de una red, aspectos
más cercanos es la repartición de recursos con el fin de maximizar la
eficacia en su uso. Por ejemplo si tenemos ingenieros y su repartición en
las tareas durante un mes, el flujo máximo es uno de los métodos que se
emplea dentro de la ingeniería industrial haciendo uso de los dígrafos
(grafos dirigidos).

Por otro lado el flujo máximo se trata de enlazar un nodo fuente y un

nodo destino a través de una red de arcos dirigidos. Cada arco tiene una
capacidad máxima de flujo admisible; puesto que su objetivo es el de
obtener la máxima capacidad de flujo entre la fuente y el destino.

Asimismo este cuenta con sus características:

Todo flujo a través de una red conexa dirigida se origina en un nodo,

llamado fuente, y termina en otro nodo llamado destino.

Los nodos restantes son nodos de trasbordo.

Se permite el flujo a través de un arco sólo en la dirección indicada por la

flecha, donde la cantidad máxima de flujo está dad por la capacidad del

5
arco. En la fuente, todos los arcos señalan hacia fuera. En el destino,
todos señalan hacia el nodo.

El objetivo es maximizar la cantidad total de flujo de la fuente al destino.

Esta cantidad se mide en cualquiera de las dos maneras equivalentes,
esto es, la cantidad que sale de la fuente o la cantidad que entra al
destino.

Problema de Flujo capacitado de Costo Mínimo:

El objetivo del Problema de Flujo capacitado de Costo Mínimo es

encontrar un conjunto de variables de decisión que minimicen una función
de costo lineal. Estas variables las llamamos flujos, se denotan mediante
xi j para cada arco (i, j) ∈ A. Además, a cada uno de estos arcos se le
asocia un costo ci j, que indica el costo por unidad de flujo que atraviesa
dicho arco. Por otra parte, hay que tener en cuenta que el flujo de cada
arco del problema está sujeto a restricciones. Por lo que a cada arco se le
asocia también una limitación en el valor de su flujo.

Podemos definir el problema de flujo de Costo Mínimo de la siguiente

forma:

Minimizar z(x) = ∑ (i, j)∈A ci jxi j (1.2.1a)

Sujeto a: ∑ { j:(i, j)∈A } xi j − ∑ { j:(j,i)∈A } xji = b(i) ∀i ∈ N (1.2.1b)

li j ≤ xi j ≤ ui j ∀i ∈ N (1.2.1c)

(1.2.1a) Representa el costo total de enviar los diversos flujos a través de

los arcos. El primer tipo de restricciones (1.2.1b), se denominan
restricciones de balance de masa o restricción de conservación de flujo.
El primer término representa la salida total de flujo del nodo mientras que
el segundo representa la entrada total de flujo del nodo. La restricción del
balance de masa establece que la salida menos la entrada debe ser igual
a la oferta/demanda del nodo. Definimos la oferta/demanda de un nodo i ∈
N, representado por el numero entero b(i) para cada arco. Si b(i) > 0, el

6
nodo i es un nodo con oferta, si b(i) < 0, el nodo i es un nodo con
demanda, con una demanda de −b(i). Finalmente, si b(i) = 0, se dice que
el nodo i es un nodo de transbordo.

Respecto a las segundas restricciones (1.2.1c), nos referimos a ellas

como restricciones de cota de flujo (o simplemente restricciones de ’cota’).
Los límites de flujo sirven para limitar la cantidad de flujo que puede fluir
por cada arco. Podemos diferenciar dos tipos de cotas: límite inferior li j
que designa la cantidad mínima de flujo que debe circular por el arco y
límite superior ui j, la cantidad máxima que debe circular.

Aunque este es el problema de flujo de costo mínimo original, existen

diversas variaciones que son equivalentes a este. Dependiendo del
contexto estas variantes pueden ser más convenientes que las otras.
Algunas de ellas son, el problema con cotas inferiores nulas o con cotas
superiores nulas, reformular el problema como un problema de asignación
o de circulación, entre otros, En esta memoria para el algoritmo del
capítulo 2, vamos a emplear la variante del PFCM estableciendo las cotas
inferiores nulas.

Si nuestro problema ya tiene las cotas inferiores nulas no es necesario

hacer nada, en otro caso si li j 6= 0 debemos reformular nuestro
problema, para ello remplazamos xi j por xi j − li j y ajustamos las cotas
superiores y la oferta/demanda de acuerdo a la nueva variable de
decisión, siendo

ui j := ui j −li j
(1.2.2a)

b(i) := b(i)− ∑ { j:(i, j)∈A } li j + ∑ { j:(j,i)∈A } lji

(1.2.2b)

Posteriormente, tras la resolución del problema si este es factible, los

flujos óptimos y el valor óptimo del problema original se obtienen

7
mediante la suma de li j al flujo óptimo de cada arco (i, j) y sumando ∑(i,
j)∈A ci jli j al valor óptimo del problema transformado.

Entonces el problema quedaría de la forma:

Minimizar z(x) = ∑ (i, j)∈A ci jxi j

(1.2.3a)

Sujeto a: ∑ { j:(i, j)∈A } xi j − ∑ { j:(j,i)∈A } xji = b(i) ∀i ∈ N

(1.2.3b)

0 ≤ xi j ≤ ui j ∀i ∈ N
(1.2.3c)

En lo que sigue, asumiremos que los problemas serán factibles.

Métodos CPM Y PERT:

El método CPM o Ruta Crítica es frecuentemente utilizado en el

desarrollo y control de proyectos. Puesto que su objetivo principal es
determinar la duración de un proyecto, entendiendo éste como una
secuencia de actividades relacionadas entre sí, donde cada una de las
actividades tiene una duración estimada. En este sentido el principal
supuesto de CPM es que las actividades y sus tiempos de duración son
conocidos; es decir, no existe incertidumbre. Ya que este simplificador
hace que esta metodología sea fácil de utilizar y en la medida que se
quiera ver el impacto de la incertidumbre en la duración de un proyecto,
se puede utilizar un método complementario como lo es PERT.

Por otro lado PERT y CPM son dos métodos usados por la dirección
para, con los medios disponibles, planificar un proyecto a fin de lograr su
objetivo con éxito. Es por ello, que las técnicas de PERT y CPM preparan
el plan mediante la representación gráfica de todas las operaciones que

8
intervienen en el proyecto y las relacionan, coordinándolas de acuerdo
con las exigencias tecnológicas.

Es importante hacer énfasis en el método PERT ya que este es el

más recomendable para los proyectos de investigación, en los cuales
existe el problema de la estimación de los tiempos de trabajo y, por otro
lado, tampoco hay antecedente para calcular los costes por unidad de
tiempo, mientras que el CPM es aplicable a las construcciones en general
en las cuales sea fácil estimar los tiempos y costes, y lo que interesa es
saber cuál es la combinación coste-duración de cada tarea para que se
pueda lograr el coste total mínimo del proyecto.

Por su parte, entre las ventajas de estos métodos podemos señalar:

Identificar qué trabajos serán necesarios primero y cuándo se deben

realizar los acopios de materiales y problemas de financiación.

Identificar qué trabajos hay y cuántos serán requeridos en cada momento.

Determinar la situación del proyecto que está en marcha en relación con

la fecha programada para su terminación.

Señalar las actividades críticas del proyecto.

Señalar las actividades no críticas y cuánto tiempo de holgura se les

permite si se demoran.

Si el proyecto está atrasado, ¿dónde se puede reforzar la marcha para

contrarrestar la demora y qué coste produce?

La planificación y programación de un proyecto se desarrolla con un coste

total mínimo y duración óptima.

Programación de Metas:

Es un enfoque para tratar problemas de decisión gerencial que

comprenden metas múltiples o inconmensurables, de acuerdo a la
importancia que se le asigne a estas metas. Por lo que el método de

9
programación de metas permite alcanzar varios objetivos de
manera simultánea.

Así mismo, la Programación de metas establece un objetivo

numérico específico para cada uno de los objetivos, formular una función
objetivo para cada uno y después buscar una solución que minimice la
suma ponderada de las desviaciones de estas funciones objetivo de sus
metas

Por otro lado la Programación de metas es una técnica de

resolución de problemas multicriterios, que permite escoger las variables
que ofrecen una mejor solución al problema planteado, teniendo la gran
ventaja que permite trabajar con metas medidas en distintas unidades e
incluso contrapuestas.

Es importante mencionar que la filosofía de los problemas de

programación meta es muy similar a los de Programación Lineal, sólo
que ahora además de las restricciones estructurales, se pueden tener
varios objetivos simultáneos, los cuales se desean alcanzar como la
existencia de un objetivo que puede ser alcanzado o no.

Cabe destacar que el origen de la Programación por Metas (Goal

Programming) fue inicialmente introducida por Charnes y Cooper en los
años 50. Desarrollada en los años 70 por Ljiri, Lee, Ignizio y Romero, es
actualmente uno de los enfoques multicriterio que más se utilizan. En
principio fue dirigida a resolver problemas industriales, sin embargo
posteriormente se ha extendido a muchos otros campos como la
economía, agricultura, recursos ambientales, recursos pesqueros, entre
otros. Esta resulta de gran interés, sobre todo, en problemas complejos
de gran tamaño.

Ahora bien la programación por meta, también tiene una

función objetivo que es optimizar, y esta está sujeta a una o más
restricciones. Sin embargo, esta cumple con dos conceptos nuevos.

10
Trata de las restricciones de meta, en lugar de las restricciones de
recurso que se han analizado.

Este es el de rango de prioridad entre las funciones de objetivo.

Una vez que se establece un problema en el formato del modelo

general de programación lineal, para obtener la solución puede
aplicarse el MÉTODO SIMPLEX modificado solo para tomar en cuenta
las prioridades.

La programación por metas es un enfoque para tratar problemas

de decisión gerencial que comprenden metas múltiples o
inconmensurables, de acuerdo a la importancia que se le asigne a estas
metas.

Una ventaja importante de la programación meta es su flexibilidad

en el sentido de que permite al tomador de decisiones,
experimentar con una multitud de variaciones de las restricciones y
de prioridades de las metas cuando se involucra con un problema de
decisión de objetivos múltiples.

El primer paso en la formulación de un modelo de

programación por metas consiste en fijar los atributos que se consideran
relevantes para el problema que se está analizando. Una vez establecidos
los atributos, se pasa a determinar el nivel de aspiración que corresponde
a cada atributo, es decir, el nivel de logro que el centro decisor desea
alcanzar. Seguidamente, se conecta el atributo con el nivel de aspiración,
por medio de la introducción de las variables de desviación negativa y
positiva, respectivamente. Así para el atributo i-ésimo, se tiene la
siguiente meta: donde, como es habitual, f(x) representa la expresión
matemática del atributo i- ésimo, Ti su nivel de aspiración, ni y pi las
variables de desviación negativa y positiva, respectivamente. Las
variables de desviación negativa cuantifican la falta de logro de una meta

11
con respecto a su nivel de aspiración, mientras que las variables de
desviación positiva cuantifican el exceso de logro de una meta con
respecto a su nivel de aspiración.

Como un nivel de aspiración no puede simultáneamente

sobrepasarse y quedar por debajo de él, al menos una de las dos
variables de desviación tomarán valor cero cuando la meta alcanza
exactamente su nivel de aspiración.

Una vez clarificado el significado de las variables de desviación,

es importante introducir el concepto de variable de decisión no
deseada. Una variable de decisión se dice que no es deseada cuando
al centro decisor le interesa que la variable en cuestión alcance su valor
más pequeño (esto es cero). Cuando la meta deriva de un atributo del tipo
más del atributo mejor (objetivo a maximizar) la variable no deseada (a
minimizar), será la variable de desviación negativa (cuantificación de la
falta de logro).

Finalmente, cuando se desea alcanzar exactamente el nivel de

aspiración tanto la variable de desviación negativa como la positiva
son variables no deseadas y por tanto variables a minimizar.

Por su parte existen cuatro formas de restricciones de objetivos,

según se permita variación hacia arriba o hacia abajo:

CASO 1: Se permiten desviaciones en ambas direcciones.

CASO 2: Solo se permiten desviaciones hacia abajo.

CASO 3: Solo se permiten desviaciones hacia arriba

CASO 4: No se permiten desviaciones.

No existe algo en la programación por objetivos que prohíba incluir

restricciones que no sean de objetivo o restricciones de recurso.

Una formulación de programación de metas:

12
La programación por metas tiene sus inicios en los trabajos de Charnes y
Cooper a principios de los años sesenta como una aplicación de la
programación lineal con múltiples objetivos, siendo esta una de las áreas
con mayor número de aplicaciones en la programación multiobjetivo. La
idea del método consiste en proponer metas o niveles de aspiración para
los distintos objetivos que se desean alcanzar. Una solución óptima se
define como aquella que minimiza la desviación de las metas. El tomador
de decisiones debe ser capaz de establecer al menos una importancia
ordinal, para clasificar estas metas. Una ventaja importante de la
programación por metas es su flexibilidad en el sentido de que permite al
tomador de decisiones, experimentar con una multitud de variaciones de
las restricciones y de prioridades de las metas cuando se involucra con un
problema de decisión de objetivos múltiples. Lo formularemos como:
Buscar x ∈ R n tal que:

min z =∑ p i=1 |zi(x) − zˆi |

s.a. x ∈ F.

Donde zˆi es la meta establecida por el decisor para el i-ésimo objetivo zi

y F es la región factible formada por restricciones lineales. Por tanto, el
objetivo es hacer mínima la suma de los valores absolutos de las
desviaciones o las diferencias entre los objetivos y sus metas.

Definición: d + i (variable de desviación por exceso de su meta) d + i = 1 2

(|zi(x) − zˆi | + (zi(x) − zˆi))

Definición: d − i (variable de desviación por defecto de su meta) d − i = 1 2

(|zi(x) − zˆi | − (zi(x) − zˆi))

Si intentamos interpretar lo anterior observamos que d + i es igual a (zi(x)

− zˆi)) si (zi(x) ≥ zˆi)) y cero en otro caso; por el contrario d − i será igual a
(zi(x)−zˆi)) si (zi(x) ≤ zˆi)) y cero en otro caso. Es por esto que d + i y d − i
se interpretan como el exceso y el defecto, respectivamente, del nivel de
aspiración o de la meta del i-ésimo objetivo. Las dos variables de

13
desviación tomarán el valor cero cuando la meta alcance exactamente su
nivel de aspiración.

Definición: Una variable de desviación se dice que es no deseada cuando

al decisor le conviene que la variable en cuestión alcance su valor más
pequeño, es decir, cero.

Además para cada “I” tendremos:

d + i + d − i = |zi(x) − zˆi |, d+ i × d − i = 0 d + i − d − i = zi(x) − zˆi , d+ i , d−

i≥0

Resumiendo, se puede decir que los pasos para la formulación de

problemas de Programación de Metas son:

Paso 1. Identificación de las variables de decisión; en el cual se definen

además dos nuevas variables para cada objetivo; una para representar la
cantidad en el cual el objetivo se pasa del objetivo especificado y la otra
para representar la cantidad que está por debajo de la meta.

Paso 2. Identificación de las restricciones.

Paso 3. Identificación de la Función Objetivo: en la programación de

metas el objetivo es minimizar la penalización total por no haber logrado
las dos metas. Aplicando la descomposición se tiene el siguiente
resultado:

Penalización Total= (Penalización por no alcanzar la meta)+ (Penalización

por exceder la meta).

Ejemplo (basado en Taha, 2012):

En cierto país de 20 000 habitantes se tienen las siguientes bases

tributarias: 550 millones por predial. 35 millones por alimentos y
medicinas. 55 millones por ventas. El consumo anual de gasolina es de
7.5 millones de galones.

Se tienen las siguientes metas:

14
 1. Tener un ingreso por impuestos de 16 millones.
2. Que el impuesto para alimentos y medicinas no exceda el 10% del
total de impuestos
3. Que el impuesto sobre ventas no exceda el 20% del total de
impuestos.
4. Que el impuesto para gasolina no exceda de 2 centavos por galón.

Así es que las variables serían:

 X1 = tasa tributaria predial

 X2 = tasa tributaria por alimentos y medicinas
 X3 = tasa tributaria por ventas
 X4 = impuesto para gasolina en centavos por galón.

Las metas quedarían expresadas de la siguiente forma:

1. Tener un ingreso de impuestos de 16 millones.

550x1 + 35x2 + 55x3 + 0.075x4 >= 16

2. Que el impuesto para alimentos y medicinas no exceda el 10% del

total de impuestos

35x2 <= .1 (550x1 + 35x2 + 55x3 + 0.075x4)

Haciendo las operaciones correspondientes, y simplificando, la meta

anterior quedaría:

55x1 – 31.5x2 + 5.5x3 + 0.0075x4 >= 0

3. Que el impuesto sobre ventas no exceda el 20% del total de

impuestos.

55x3 <= .2 (550x1 + 35x2 + 55x3 + 0.075x4)

Haciendo las operaciones correspondientes, y simplificando, la meta

anterior quedaría:

110x1 + 7x2 – 44x3 + 0.015x4 >= 0

15
4. Que el impuesto para gasolina no exceda de 2 centavos por galón.

x4 <= 2

La planificación por metas (incluyendo las variables de desviación) sería:

550x1 + 35x2 + 55x3 + 0.075x4 + n1 – p1 = 16

55x1 – 31.5x2 + 5.5x3 + 0.0075x4 +n2 – p2 = 0

110x1 + 7x2 – 44x3 + 0.015x4 +n3 – p3 = 0

X4 + n4 – p4 = 0

Las variables de desviación no deseadas serían: n1, n2, n3, p4.

La función de logro sería:

Min g(n1, n2 , n3, p4)

Algoritmos de programación de metas:

Programación por metas ponderadas:

Tendremos un problema con la siguiente forma:

Min z = ∑ p i=1(αid + i + βid − i)

s.a. x ∈ F

zi(x) − d + i + d − i = ˆzi

d + i, d− i ≥ 0, i = 1,...p

La idea básica es ponderar las variables de desviación. Normalmente los

distintos criterios vienen dados en distintas unidades, así que la función
objetivo estaría agregando valores de distintas unidades. Una primera
opción es ponderar las desviaciones dividiendo por el nivel de aspiración,
con lo que serían desviaciones porcentuales que no tienen unidades y así
corregimos el efecto de las distintas magnitudes de estas. Por otro lado, si
sólo se ponderan dividiendo por el nivel de aspiración, implícitamente lo

16
que se está haciendo es dar una misma importancia a todos los criterios.
Si no es ese el caso, se deben multiplicar por pesos que muestren la
importancia dada por el decisor a cada meta.

Ejemplo programación por metas ponderadas:

Un empresario ha de producir un compuesto basado en un determinado

componente básico. Este componente puede ir en una cantidad variable
entre el 50 y el 100 % del total de la composición. Por otra parte del
componente básico hay dos calidades, una calidad superior que cuesta
200€/unidad y otra que cuesta 100€. El mercado le obliga a que al menos
un 20 % ha de ser del componente de calidad superior. El empresario se
plantea maximizar la calidad y minimizar el coste. Para completar el
ejemplo se debe dar un nivel de aspiración para la calidad y uno para el
coste.

Por ejemplo, supongamos que queremos una calidad del 75 % y un coste

de 10000€. Y supongamos que no damos preferencias subjetivas más
allá de las marcadas por los propios niveles de aspiración. En ese caso el
modelo sería:

Definimos las variables:

x1: cantidad del componente de calidad alta

x2: cantidad del componente de cantidad baja

Tendremos por tanto el siguiente problema:

Min d− 1 + d + 2

s.a. x1 ≥ 20

x1 + x2 ≤ 100

17
x1 + x2 ≥ 50

x1 − d + 1 + d − 1 = 75

200x1 + 100x2 − d + 2 + d − 2 = 10000

xj, d+ i, d− i ≥ 0, j = 1, 2, i = 1,...2

Si aplicamos la programación por metas ponderadas dividiendo por el

nivel de aspiración, obtendremos el siguiente problema:

Min d − 1 75 + d + 2

10000

s.a. x1 ≥ 20

x1 + x2 ≤ 100

x1 + x2 ≥ 50

x1 − d + 1 + d − 1 = 75

200x1 + 100x2 − d + 2 + d − 2 = 10000

xj, d+ i,d− i ≥ 0, j = 1, 2, i = 1,...2

La solución es 50 de Calidad y 10000 de Coste, es decir, se cumple la

meta del coste a cambio de incumplir la de la calidad. Esto muestra que
no es posible cumplir las dos metas a la vez, pero además, este método
en muchas ocasiones da una solución de este tipo, en la que unas metas
se cumplen por completo y otras se incumplen totalmente (normalmente
por un tema de unidades).

Programación por metas Minimax o Tchebychev:

En este caso se busca una solución “equilibrada”, de modo que ninguna

de las metas se desvíe en exceso de su nivel de aspiración. Para ello se
minimiza la máxima distancia a este nivel, es decir, el problema se

18
plantearía en los siguientes términos:
Min D

s.a. x ∈ F

αid + i + βid − i ≤ D i = 1,..., p

zi(x) − d + i + d − i = ˆzi i = 1,..., p

d + i, d− i ≥ 0 i = 1,…, p

Ejemplo de Programación por metas Minimax o Tchebychev:

Min D

s.a. x1 ≥ 20

x1 + x2 ≤ 100

x1 + x2 ≥ 50

x1 − d + 1 + d − 1 = 75 200

x1 + 100x2 − d + 2 + d − 2 = 10000

d−1≤D

75

d+2≤D

1000

xj, d+ i, d− i ≥ 0, j = 1, 2, i = 1,...2

Cuya solución obtenida resolviendo como un problema de PL es 60 de

Calidad y 12000 de Coste, una solución equilibrada (a diferencia del
método anterior), que se desvía un 20 % de los niveles de aspiración de
ambos criterios.

19
Algoritmos de programación de metas:

Este método consiste en resolver sucesivamente los problemas lineales

con un solo objetivo que se obtienen al establecer una partición del
problema de acuerdo con los niveles de prioridad, comenzaremos
resolviendo la prioridad más alta (P1) y así sucesivamente hasta alcanzar
el nivel más bajo. Fue inspirado en el método lexicográfico de Ignizio
(1976); del cual hablaremos más adelante; propuesto por Debreu en los
años cincuenta y en el que se han introducido varias modificaciones para
adaptarlos a la programación por metas.

Se adapta una nueva forma de representar la función objetivo, teniendo

en cuenta que el significado de los factores de prioridad es como una
ordenación lexicográfica para K factores de prioridad, donde:

d + = (d + 1. . . d+ m) y d − = (d − 1. . . d− m). Por tanto la función objetivo

tendrá la forma:

Min lex λ = z1 (d+, d−) . . . zk(d+, d−)

El algoritmo será:

Paso 0: Hacer k=1

Paso 1: Considerar el problema lineal (uniobjetivo) para P1

Min λ1 = z1 (d +, d−)

zi(x) − d + i + d − i = ˆzi , i ∈ P1

x≥0

d + i, d− i ≥ 0, i ∈ P1

Paso 2: Resolver el problema construido. Sea λ∗k el valor óptimo de λk

Paso 3: Hacer k=k+1. Si k>K, ir a 5. En caso contrario ir a 4.

Paso 4: Considerar el problema lineal uniobjetivo.

20
Min λk = zk (d +, d−)

zq (x) − d + q + d − q = ˆzq, q ∈ P1 ∪. . . Pk

zt (d +, d−) = λ ∗ t, t = 1,. . . , k − 1

x≥0

d +, d− ≥ 0

E ir al 2.

Paso 5: El vector x∗ solución del último problema resuelto, es la solución

del problema de programación por metas original.

Consideramos un problema con la siguiente forma:

min P = P1(d + 1 + d + 2 + d + 3 ) + P2(d − 4 ) + P3(d + 5 )

s.a. x1 + 3x2 − d + 1 + d − 1 = 24

2x1 + x2 − d + 2 + d − 2 = 18

x1 + x2 − d + 3 + d − 3 = 10

2x1 + 3x2 − d + 4 + d − 4 = 21

4x1 + 2x2 − d + 5 + d − 5 = 12

xj , d+ i , d− i ≥ 0, j = 1, 2, i = 1, . . . 5

 Paso 0: Hacer k=1.

 Paso 1: Consideramos el problema:

Min λ1 = d + 1 + d + 2 + d + 3

s.a. x1 + 3x2 − d + 1 + d − 1 = 24

2x1 + x2 − d + 2 + d − 2 = 18

x1 + x2 − d + 3 + d − 3 = 10

21
x1, x2, d+ 1 , d+ 2 , d− 1 , d− 2 , d+ 3 , d− 3 ≥ 0

 Paso 2: Aplicando el método del simplex obtenemos el valor óptimo

λ∗1 = 0.

 Paso 3: Hacemos k=k+1=2 y como k = 2 ≤ 3 = K vamos a 4

 Paso 4: Consideramos el siguiente problema:

Min λ2 = d − 4

s.a. x1 + 3x2 − d + 1 + d − 1 = 24

2x1 + x2 − d + 2 + d − 2 = 18

x1 + x2 − d + 3 + d − 3 = 10

2x1 + 3x2 − d + 4 + d − 4 = 21

d+1+d+2+d+3=0

xj , d+ i , d− i ≥ 0, j = 1, 2, i = 1, . . . 4

Y vamos al paso 2.

 Paso 2: Aplicamos el método del simplex al problema anterior y

obtenemos: λ ∗ 2 =0.
 Paso 3: Hacemos k=k+1=3 y como k = 3 ≤ 3
 Paso 4: Consideramos el siguiente problema:

min λ3 = d + 5

s.a. x1 + 3x2 − d + 1 + d − 1 = 24

2x1 + x2 − d + 2 + d − 2 = 18

x1 + x2 − d + 3 + d − 3 = 10

22
 2x1 + 3x2 − d + 4 + d − 4 = 21

4x1 + 2x2 − d + 5 + d − 5 = 12

d + 1 + d + 2 + d + 3 = 0, d− 4 = 0

xj, d+ i , d− i ≥ 0, j = 1, 2, i = 1, . . . 5

Y vamos al paso 2.

 Paso 2: Aplicamos el método del simplex al problema anterior y

obtenemos:
λ∗3 =2.
 Paso 3: Hacemos k=k+1=4 y como k = 4 > 3 = K vamos a 5.
 Paso 5: La solución del problema original será la solución óptima
del último problema, que es x∗1 = 0 y x∗ 2 = 7.
Programación por metas lexicográficas (método preventivo):

En este tipo de método, el tomador de decisiones clasifica las metas del

problema en orden de importancia. Dada una situación de n metas, los
objetivos del problema se escriben como:

Minimizar G1 = ρ1 (Máxima prioridad)

Minimizar Gn = ρn (Mínima prioridad)

La variable ρi es el componente de las variables de desviación d − i o d +

i, que representan la meta i. El método preventivo está diseñado de modo
que una solución de menor prioridad nunca degrade a una solución de
alta prioridad.

El método consiste en dar los siguientes pasos:

Paso 0. Identifique las metas del modelo y clasifíquelas en orden de

prioridad: G1 = ρ1 G2 = ρ2 , . . . , Gn = ρn. Establezca i=1.

Paso general: Resuelva el problema de programación lineal para cada i

que minimice Gi , y que ρi = ρ ∗ i, defina el valor óptimo correspondiente
de la variable de desviación ρi . Si i=n, deténgase; el problema de
programación lineal correspondiente a n resuelve el problema de n metas.
En caso contrario, agregue la restricción ρi = ρ ∗ i a las restricciones del

23
problema Gi para garantizar que el valor no se degrade en problemas
futuros. Establezca i=i+1, y repita el paso i.

Ejemplo:

TopAd, una nueva agencia de publicidad con 10 empleados, firmó un

contrato para promover un nuevo producto. La agencia puede hacer
publicidad por radio y televisión. Se proporciona la cantidad de personas
alcanzadas diariamente por cada tipo de anuncio publicitario, así como los
requerimientos de costos y mano de obra.

Radio Televisión
Exposición(en millones de personas)/min 4 8
Costo en miles de dólares por minuto 8 24
Empleados asignados/min 1 2 1 2

El contrato prohíbe a TopAd utilizar más de 6 minutos de publicidad por

radio. Además, los anuncios de radio y televisión tienen que llegar al
menos a 45 millones de personas. TopAd tiene una meta presupuestaria
de 100,000 dólares para el proyecto. ¿Cuántos minutos de anuncios de
radio y televisión debe utilizar TopAd?

Sean x1 y x2 los minutos asignados a los anuncios de radio y televisión.

Aplicamos este método:

 Paso 0. Establecemos las prioridades: G1 > G2

Minimizar G− 1 = d − 1 (Satisfacer la meta de exposición)
Minimizar G+ 2 = d + 2 (Satisfacer la meta de presupuesto)

Paso 1. Resolver:
Minimizar G− 1 = d − 1
s.a. 4x1 + 8x2 + d − 1 − d + 1 = 45 (Meta de exposición)
8x1 + 24x2 + d − 2 − d + 2 = 100 (Meta de presupuesto)
x1 + 2x2 ≤ 10 (Límite de personal)

24
 x1 ≤ 6 (Límite de radio)
xj , d+ i , d− i ≥ 0, j = 1, 2, i = 1, . . . 2

La solución óptima es x1 = 5 minutos, x2 = 2.5 minutos, d − 1 = 5 millones

de personas, con las variables restantes iguales a cero. La solución
muestra que 5 millones de personas violan la meta de exposición, G1. La
restricción adicional que añade al problema G2 es d − 1 = 5.

Paso 2: Aquí tendremos que resolver: La función objetivo de la PL2 es

Minimizar G+ 2 = d +

Las restricciones son las mismas que en el paso 1 más la restricción

adicional d − 1 = 5. Por lo general, la restricción adicional d − 1 = 5
también puede explicarse al sustituir en la primera restricción. El resultado
es que el lado derecho de la restricción de la meta de exposición
cambiará de 45 a 40, lo que reduce la LP2 a:

Minimizar G+ 2 = d + 2

s.a. 4x1 + 8x2 − d + 1 = 40 (Meta de exposición)

8x1 + 24x2 + d − 2 − d + 2 = 100 (Meta de presupuesto)

x1 + 2x2 ≤ 10 (Límite de personal)

x1 ≤ 6 (Límite de radio)

xj, d+ i , d− i ≥ 0, j = 1, 2, i = 1, . . . 2

En realidad, la optimización de la PL2 no es necesaria en este problema

porque la solución óptima al problema G1 ya da por resultado d + 2 = 0;
es decir, ya es óptima para la PL2. Tales oportunidades de ahorro de
cálculos deben aprovecharse siempre que se presenten durante el curso
de implementación del método preventivo.

Programación por metas generalizada:

25
Otra modificación importante de la programación por metas consiste en
considerar la función objetivo como una suma ponderada de pesos λi ≥ 0
y potencias de orden q de las diferencias |zi(x) − zˆi|. En este caso el
problema es:

Min z = ∑ p i=1 λi |zi(x) − zˆi | q

s.a. x ∈ F

Esta formulación recibe el nombre de programación por metas

generalizada y normalmente nos lleva a un problema no lineal.

Modelos determinísticos de inventario:

Son aquellos donde se toma como supuesto que tenemos certeza de la

demanda. Esta puede estar dada por pronósticos de demanda o pedidos
reales de los clientes. Cuando la demanda es conocida y constante, se
clasifica a su vez, en dependiente (otros productos) e independiente; ya
sea por pronósticos de demanda o pedidos reales de los clientes. Ahora
bien, dentro de los modelos podemos generar una subclasificación si
consideramos además del supuesto de certeza, que la demanda puede
ser estática, que es aquella donde esta permanece constante; y dinámica,
donde a pesar de ser conocida, varía a través del tiempo. Esto genera los
siguientes modelos:

Modelos de cantidad económica de pedido (Modelo EOQ- clásico),

representa la cantidad óptima a ordenar cada vez que se realice un
pedido y puede variar con el tiempo. Se aplica para manejo de inventarios
con demanda independiente, sentado en los supuestos de tasa de
demanda constante, los costos no varían, y las capacidades de
producción y de inventarios son ilimitadas. Conocido también como el
modelo Harris – Wilson, el método EOQ busca un equilibrio entre los
costos de preparación y los costos de almacenamiento. Fue un modelo
pionero que sirvió de base para el desarrollo de otras variantes del
modelo, como EOQ con descuentos por cantidad, EOQ con faltantes

26
planeados, EOQ con varios artículos con limitación de almacenamiento,
entre otros.

 EOQ con descuentos por cantidad: Considera la disminución del

costo de compra de un artículo cuando se compra en gran
cantidad.
 EOQ con faltantes planeados: Plantea que durante un tiempo la
demanda no será satisfecha generando faltantes.
 Cantidad económica de pedido en producción (POQ):
Considerando que el pedido se puede recibir a lo largo de un
periodo de tiempo, este modelo tiene en cuenta que la tasa de
demanda y la tasa de producción.

Hay muchos más modelos EOQ con parámetros muy específicos. Por lo
pronto nosotros vamos a considerar los más estudiados.

Inventarios con demanda determinística dinámica

Este plantea un reto y es el tamaño del lote, pues en función de este los
costos de inventario podrán ser mayores o menores. Para dar respuesta,
se han generado métodos o sistemas de loteo, como son los siguientes:

 Lote por lote: Consiste en obtener justamente lo que necesito, lo

que conlleva a tener el inventario exacto requerido y con él un bajo
costo de mantenimiento.

 Período constante: Fija arbitrariamente los intervalos de pedido.

 Cantidad económica de pedido (EOQ): El EOQ también puede ser

usado para determinar el tamaño de un lote, sin embargo autores
Jay Heizer y Barry Render no recomiendan su uso cuando la
demanda es relativamente constante y no dinámica.

 Balanceo de período fragmentado (BPF): Busca equilibrio entre los

costos de mantener inventario y los costos de ordenar.

 Algoritmo de Silver - Meal (SM): Es heurístico, es decir que a

través de reglas de decisión busca dar una buena (u óptima)

27
 solución al problema de inventario. Se enfoca en la minimización
del costo total (ordenar y mantener) por período.
 Costo unitario mínimo (CUM): Se enfoca en la minimización del
costo unitario a través de la comparación de los costos de ordenar
y mantener para diferentes tamaños de lote, en aras de elegir
aquel que presente una menor diferencia.
 Algoritmo de Wagner - Whitin (WW): A través de programación
dinámica, busca la minimización del costo de ordenar y el de
mantener inventario.
Modelo general de inventario:

Las empresas e industrias tienen, en general, un inventario moderado

de bienes y productos para garantizar su continuo
funcionamiento. Si estas reservas son insuficientes para cumplir con la
demanda, puede interrumpirse el funcionamiento o perder clientes. Por el
contrario, un inventario en exceso supone un capital inmóvil que, además
de generar costos, puede devaluarse y hasta deteriorarse. Los problemas
de inventario tienen como fin equilibrar estas situaciones. Las empresas,
para determinar una política de inventario, buscan responder dos
preguntas: ¿Cuánto pedir? ¿Cuándo pedir? Para responderlas se
estudiarán algunos modelos de inventario que difieren en cuanto a las
condiciones de demanda, almacenamiento y reposición, entre otras
cuestiones.

Cuando se habla de modelos de inventarios y volviendo al

concepto de modelo, se trata de armar una función que, a fin de cuentas,
minimice los costos sin dejar de considerar la demanda. Para ello se
tendrán en cuenta los siguientes costos.

Costo de preparación: es el costo fijo cuando se realiza el pedido. Es

independiente del volumen del pedido o de la cantidad de artículos.

Costo de almacenamiento: costo de mantener un inventario, entre lo que

se cuenta el alquiler de un depósito, gastos de energía para climatizar el
lugar o manejo del stock. Este costo está asociado a la permanencia del
producto durante un cierto tiempo.

28
Costo de faltante: se genera por la falta de inventario, como la pérdida
potencial de determinada ganancia. Por otra parte, el sistema de
inventario necesita ser revisado. Esta revisión puede ser de las siguientes
formas:

Periódica: el nivel de inventario es monitoreado cada un determinado

tiempo (semanal, mensual, etc.). La política de pedido puede ser fija cada
cierto período (pedir todas las semanas o todos los meses) o se puede
pedir luego de observar que el inventario está en un nivel de quiebre,
denominado punto de reorden.

Continua: el monitoreo es continuo y, cuando baja hasta el nivel del punto

de reorden, se emite un nuevo pedido.

Un sistema de inventario puede requerir revisiones periódicas (por

ejemplo, pedir al inicio de cada semana o cada mes). Alternativamente, el
sistema puede estar basado en revisiones continuas, colocando un nuevo
pedido cuando el nivel del inventario se reduce a un punto de volver a
pedir específico. Un ejemplo de los dos tipos ocurre en tiendas al
menudeo. La revisión es periódica si el artículo se repone cada semana o
cada mes. Es continua si la reposición ocurre siempre que el nivel del
inventario se reduce por debajo de un determinado nivel.

Modelos dinámicos de cantidad económica de pedido:

Es un modelo de cantidad fija el cual busca determinar mediante la

igualdad cuantitativa de los costos de ordenar y los costos de
mantenimiento el menor costo total posible (este es un ejercicio de
optimización matemática).

El método EOQ como modelo matemático está en capacidad de

determinar:

 El momento en el cual se debe colocar un pedido o iniciar una

corrida de producción, este está generalmente dado en unidades
en inventario (por lo cual en el momento en que el inventario (físico

29
 y en tránsito) alcance un número de unidades especifico «R» se
debe de ordenar o correr la producción).

 La cantidad de unidades (Tamaño del pedido) que se pedirán «Q».

 El Costo Anual por ordenar (el cual será igual al costo anual por
mantener).

 El costo Anual por mantener (el cual será igual al costo anual por
ordenar).

 El costo Anual total (TRC, Costo Total Relevante, el cual será la

sumatoria de los dos costos anteriores).

 El número de órdenes o corridas que se deben colocar o iniciar

respectivamente al año (N).

 El tiempo entre cada orden o corrida de producción (T).

 El periodo de consumo en días.

El modelo de cantidad fija EOQ parte de varios supuestos que a su vez

identifican sus desventajas como modelo certero, estos supuestos son:

 Un solo ítem.

 Demanda constante, exacta y conocida.

 Los ítems se producen o se compran en lotes.

 Cada orden u orden se recibe en un solo envío.

 No se permiten inexistencias (quiebre de stock).

 El costo fijo de emitir una orden o de alistamiento es constante y

determinístico.

 El lead time (tiempo de carga) del proveedor es constante y

determinístico.

 No existen descuentos por volumen de pedido.

Las variables que considera el modelo EOQ son:

30
  D = Demanda anual, dada en unidades por año.

 S = Costo de ordenar o alistar, dado en unidades monetarias por

unidad.

 C = Costo del ítem, dado en unidades monetarias por unidad.

 i = Tasa anual de mantenimiento, dada en unidades porcentuales.

 H = Costo anual de mantenimiento, dado en unidades monetarias

por año.

 Q = Tamaño del lote, en unidades.

 R = Punto de nueva orden o corrida, dada en unidades.

 N = Número de órdenes o corridas al año.

 T = Tiempo entre cada orden.

 TRC = Costo total anual o Costo total relevante.

Las ecuaciones que maneja el EOQ son:

H=i * C

Costo anual de pedir o alistar: D * S

Costo anual de mantenimiento: Q * H

2
D*S Q*H
TRC: +
Q 2

En cuanto a la cantidad óptima lo ideal es descubrir el ¿Por qué? de su

ecuación y partiremos de explicar su origen gráfico teniendo en cuenta lo
dicho anteriormente.

31
Gráficamente se puede deducir que el punto de pedido es el mismo punto
en el cual los costos de ordenar y mantener se encuentran (es decir son
iguales), de esta manera se despeja la fórmula del EOQ.

D*S Q*H
TRC: +
Q 2

2 * D * S = Q2

2 * D * S = Q2 = Q2

2 * D * S = Q2 = Q

EOQ= 2*D*S

El comportamiento de la demanda en función del tiempo, y el efecto

generado por el modelo EOQ se puede apreciar en la siguiente gráfica:

32
Además del EOQ se pueden calcular múltiples datos que son de vital
importancia para un posterior análisis y generar una mejor programación.

N= Q =

EOQ

T= DIAS LABORABLES DEL AÑO

R= D_ *L

365

Donde L es igual al Lead Time del proveedor, o el tiempo empleado en el

alistamiento de las corridas de producción. «N» es igual al número de
pedidos a realizar en el año, y «T» es igual al tiempo (en este caso en
días) que transcurre entre pedidos.

Análisis de decisiones y juegos:

El análisis de decisiones es la disciplina que consiste en evaluar

alternativas complejas en términos de valores (habitualmente en $ porque
es lo que a los gerentes les importa) y de incertidumbre (lo que no
conocemos). El análisis de decisiones brinda información sobre las
diferencias entre las alternativas definidas, y genera sugerencias de
nuevas y mejores alternativas. Usamos números para cuantificar valores
e incertidumbres subjetivos, lo cual nos permite comprender la situación
de decisión. Los resultados numéricos deben reconvertirse para generar
información cualitativa.

 Los seres humanos pueden comprender, comparar y manipular números.

Por lo tanto, para crear un modelo de análisis de decisiones es necesario

33
crear la estructura del modelo y asignar las probabilidades y los valores
para poblar el modelo de computación. Aquí se incluyen los valores para
las probabilidades, las funciones de valor para evaluar alternativas, las
ponderaciones de valor para medir la concesión que se debe hacer entre
los objetivos, y la preferencia de riesgo.

 Una vez definidos la estructura y los números, el análisis puede

comenzar. El Análisis de Decisiones implica mucho más que calcular la
utilidad esperada y ponderada de cada alternativa. Si nos detuviéramos
aquí, los decisores no tendrían demasiada información. Tenemos que
examinar la sensibilidad de la utilidad esperada y ponderada para las
probabilidades clave, y los parámetros de ponderación y preferencia de
riesgo. Como parte del análisis de sensibilidad podemos calcular el valor
de la información perfecta para incertidumbres que han
sido modelizadas explícitamente.

 Entre las comparaciones cuantitativas adicionales se incluye la

comparación directa de la utilidad ponderada para dos alternativas en
todos los objetivos y la comparación de todas las alternativas en dos
objetivos seleccionados, demostrando la optimalidad de Pareto para estos
dos objetivos.

 La complejidad del mundo moderno, junto con la cantidad de

Información, la Incertidumbre y el Riesgo, requieren un marco racional
para la toma de decisiones. Las metas del análisis de decisiones son las
siguientes: incorporar orientación, información, discernimiento y estructura
al proceso de toma de decisión, para que ésta pueda ser mejor y más
racional.

Toda decisión necesita un decisor responsable. El decisor tiene varias

alternativas, y debe elegir una. El objetivo del decisor es elegir la mejor
alternativa. Después de que se ha tomado la decisión, pueden producirse
eventos sobre los que el decisor no tiene control. Cada combinación de
alternativas elegida, seguida por un evento, conduce a un resultado con

34
algún valor mensurable. Los gerentes toman decisiones en situaciones
complejas. Las matrices de árbol de decisiones y pago describen estas
situaciones y añaden estructura a los problemas

Elementos de los modelos de análisis de decisiones:

Las teorías y las técnicas matemáticas que se toman en consideración en

el análisis de decisiones se ocupan de las teorías de
elección prescriptivas (acción). Es decir, la cuestión aquí es ver
exactamente de qué modo se comporta un decisor cuando se enfrenta a
una elección entre cursos de acción, cuyos resultados están regidos por
el azar o las acciones de los competidores.

El análisis de decisiones es un proceso que le permite al decisor

seleccionar una decisión (sólo una) entre un conjunto de alternativas
posibles de decisión, cuando existe incertidumbre con respecto al futuro,
con el objetivo de optimizar el pago (retorno) resultante, en términos de
algún tipo de criterio de decisión numérico. Los elementos de los
problemas de análisis de decisiones son los siguientes:

1.       Hay un decisor responsable individual. Por ejemplo, el CEO de una

compañía que quizás deba rendir cuentas ante los accionistas.

2.       Un número finito de eventos (futuros) posibles, llamados Estados

de la Naturaleza, es decir, un conjunto de escenarios posibles. Las
circunstancias en las cuales se toma una decisión se llaman estados de la
naturaleza. Los estados de la naturaleza se identifican y agrupan en el
conjunto S; los miembros se denotan como s. El conjunto S es un grupo
de conjuntos mutuamente excluyentes. Es decir, sólo puede ocurrir un
estado de la naturaleza. ¿Qué puede hacer la naturaleza?

3.       Un número finito de alternativas posibles de decisión. Hay una

acción a, miembro del conjunto A, que puede ser adoptada por el decisor.
Sólo puede adoptar una. ¿Qué puedo hacer? Una buena decisión

35
requiere buscar un conjunto más rico de alternativas que las que se
presentaron inicialmente o que las aceptadas tradicionalmente. Sea breve
en la parte de la lógica y la razón de su decisión. Es probable que existan
mil cosas en un automóvil, pero usted no las necesita todas para tomar la
decisión. Con media docena es suficiente.

4.       La manera más sencilla de formular el problema de decisión es

usando una matriz de beneficios (tabla). Hay una matriz de beneficios X
bien definida, monetaria (y luego de utilidad) sobre dos conjuntos de
dominio dimensionales A y S. Las filas y las columnas se asignan a las
alternativas de decisión posibles y a los estados posibles de la naturaleza,
respectivamente. Normalmente no es tarea sencilla construir esta matriz;
por lo tanto, puede requerir algo de práctica.

Fuente de errores en la toma de decisiones: La fuente principal de errores

en los problemas de toma de decisiones arriesgadas son las
presunciones falsas, no tener una estimación exacta de las
probabilidades, depender de la expectativa, dificultades en medir la
función de utilidad, y los errores de pronóstico.

Existen tipos diferentes de modelos de decisión que ayudan a analizar

distintos escenarios, dependiendo de la cantidad y el grado de
conocimiento que tengamos. Los tres tipos más ampliamente utilizados
son:

 Decisión tomada con pura incertidumbre,

 Decisión tomada con riesgo,
 Decisión tomada comprando información (empujando el problema
hacia el "polo" determinista)

En las decisiones tomadas con pura incertidumbre, el decisor no tiene

ningún conocimiento, ni siquiera de la probabilidad de ocurrencia de
cualquier estado de la naturaleza. En estas situaciones, el
comportamiento del decisor se basa puramente en su actitud hacia la

36
incógnita. Algunos de estos comportamientos son los optimistas, los
pesimistas y los de arrepentimiento, entre otros.

Optimista: El vaso está medio lleno.

Pesimista: El vaso está medio vacío.

Gerente: El vaso es el doble de grande de lo necesario.

Observe que esta categoría de problemas (es decir, los problemas con
pura incertidumbre) resultan apropiados sólo para la toma de decisiones
en la vida privada. No obstante, la persona pública (es decir, el gerente)
tiene que tener cierto conocimiento de los estados de la naturaleza, para
poder predecir las probabilidades de cada estado. De lo contrario no
podrá tomar una buena decisión que sea razonable y defendible.

Siempre que un decisor tiene cierto conocimiento sobre los estados de la

naturaleza puede asignar una probabilidad subjetiva a la ocurrencia de
cada estado. Y cuando lo hace, el problema se clasifica como toma de
decisiones bajo riesgo.

En muchos casos, el decisor puede necesitar la opinión de un especialista

para limitar sus incertidumbres con respecto a la probabilidad de cada
estado de la naturaleza. En tal caso, el decisor puede comprar
información relevante a especialistas, para poder tomar una mejor
decisión. El procedimiento para incorporar el asesoramiento de un experto
en las incertidumbres del decisor se conoce como el abordaje de Bayes.

Toma de decisiones con riesgo: Cuando el decisor posee algún

conocimiento sobre los estados de la naturaleza puede asignarle a la
ocurrencia de cada estado alguna estimación subjetiva de probabilidad.
En estos casos, el problema se clasifica como de toma de decisiones con
riesgo. El decisor puede asignar probabilidades a la ocurrencia de los
estados de la naturaleza.

Teoría de juegos

37
 La teoría de juego es un enfoque distinto e interdisciplinario al estudio del
comportamiento humano. Las disciplinas más implicadas en la teoría de
juego son las matemáticas, economía y otras ciencias sociales y del
comportamiento. La teoría de juego (como  teoría computacional y tantas
otras contribuciones) fue fundada por el gran
matemático John von Neumann. El primer libro importante  fue La Teoría
de Juegos y el Comportamiento Económico, que von Neumann escribió
en la colaboración con el gran economista
matemático, Oskar Morgenstern.

Elementos:

Un juego es el modelo de una situación de interacción estratégica entre

dos o más individuos. Se trata de un problema en el cual cada jugador
debe tomar decisiones que dependen de las que adoptan otros individuos.

Un juego se define por sus reglas y considera  los siguientes elementos:

 Jugadores: agentes que toman decisiones que dependen de las

acciones y reacciones de otros jugadores.
 Estrategias: posibilidades de acción con la que cuentan los distintos
jugadores.
 Turnos: orden en la que ocurren las acciones, que pueden ser
simultáneas o secuenciales.
 Pagos: beneficios o costos que enfrentan los jugadores dependiendo
del resultado final del juego.
 Información: datos respecto de las estrategias y pagos que tiene cada
jugador al momento de tomar decisiones.

En general asumiremos que los primeros tres elementos están dados y

son de conocimiento común para todos los jugadores. Es decir, cada uno
sabe, cada uno sabe que los otros saben, cada uno sabe que los otros
saben que los otros sabe, entre otros.

 Representación Normal o  Estratégica

38
 La representación Normal o Estratégica muestra el juego a través de una
matriz de resultados. A cada uno de los jugadores le corresponde una de
las dimensiones de la matriz, y sus estrategias son indicadas a lo largo de
dicha dimensión. Los pagos para los jugadores son indicados en cada
cuadrante de la matriz. Por razones prácticas, en general sólo se utiliza
esta representación para  situaciones con dos jugadores.

Uno de los juegos más conocidos de esta manera es el llamado Dilema

del Prisionero, que fue formulado por el famoso matemático
A.W. Tucker en 1950 durante una conferencia a un grupo de sicólogos
en Stanford University. En él dos prisioneros presuntamente autores de
un delito fueron aislados para ser sometidos a interrogatorios. El
interrogador le ofrece un trato a cada prisionero mediante el cual si la
persona confiesa, entonces se le reduce su pena. Dicha rebaja depende
de la actitud del otro prisionero, tal como se muestra en la ilustración 1. Si
Juan confiesa, entonces la opción de no confesar le significará a Pedro
cuatro años de cárcel, en tanto que la de confesar le significará solamente
tres.

Si Juan no confiesa, entonces la opción de no confesar le significará a

Pedro dos años de cárcel, mientras que la de confesar le significará
solamente uno. Esto es, para cualquier estrategia que elija Juan, la opción
más razonable para Pedro es la de confesar. Lamentablemente para
Pedro, el análisis que hace Juan es idéntico, por lo que Juan también

39
elige la estrategia de confesar. En definitiva, el juego se resuelve  de la
manera menos conveniente para ambos jugadores: confesar/confesar.

Modelación de juegos:

Muchas veces se juzga la actitud de una persona o institución como

absurda o mal intencionada. Se dice, por ejemplo, que sus acciones son
producto de una falta de cultura o de un análisis inadecuado. Sin
embargo, en un gran número de ocasiones la actitud juzgada es mucho
más astuta de lo aparente, lo que ocurre es que quien emite el juicio no
ha hecho un análisis correcto del juego. Con frecuencia este análisis no
necesita ser demasiado sofisticado, basta con identificar un cierto jugador
o una cierta estrategia, que no es evidente, pero que de alguna manera
está definiendo el juego. La modelación de situaciones de interacción
estratégica utilizando la teoría de Juegos puede ayudar a la comprensión
y posterior resolución de dichos casos. Utilizando la representación
estratégica o la representación dinámica de juegos se deben identificar
los Jugadores, las Estrategias, los Turnos y los Pagos involucrados en el
juego. Adicionalmente se debe determinar la información manejada en
cada etapa, que puede ser incompleta o imperfecta. El término "juegos"
se refiere a condiciones de conflicto de negocios en el transcurso del
tiempo. Los participantes son competidores que emplean las técnicas
matemáticas y el pensamiento lógico a fin de descubrir la mejor estrategia
posible para vencer a su(s) competidor(es). Todo juego tiene una meta o
estado final (ganancia) que los competidores tratan de alcanzar
escogiendo cursos de acción apropiados. Aunque el juego pueda
favorecer a uno de ellos sobre los demás, cada uno hará cuanto pueda
para aumentar al máximo sus ganancias o para reducir al mínimo sus
pérdidas.

Ahora bien, la teoría de juegos se ocupa de situaciones de toma de

decisiones en las que participan varias personas. La mejor decisión que
toma una persona depende de las decisiones de las demás. El objetivo es

40
tomar la decisión óptima. La teoría de juegos es muy diversa. Se puede
diferenciar según los tipos de juegos o las áreas de estudio.

Simétricos: Cuando hay un juego simétrico todos los jugadores adoptan

las mismas estrategias. En este tipo de juegos es posible la simetría solo
a corto plazo, es decir, en cortos periodos de tiempo. Y es que cuando
hay más tiempo simple surgen un mayor número de opciones para los
jugadores. En un juego simétrico las decisiones dependen de la estrategia
utilizada, no de los jugadores del juego en sí. Inclusive se pueden
intercambiar jugadores y las decisiones siguen siendo las mismas en
juegos simétricos.

Cooperativos: Esta parte de la teoría de juegos se caracteriza porque dos

o más personas se unen para lograr un objetivo en común. Aquí se
analizan todas las posibilidades y se desarrollan una serie de estrategias
para conseguir la meta. De esta manera, se demuestra el potencial que
tiene la raza humana cuando trabaja de forma colaborativa y el deporte es
un buen ejemplo. Estas dinámicas pueden trasladarse a múltiples
actividades en las que haya que hacer equipos con otros en algún
momento.

Suma cero o distinta de cero: Esta dinámica es muy exacta, y es que si un

usuario triunfa el otro pierde, y viceversa. Esto sería un ejemplo de suma
cero, ya que solo hay dos opciones posibles y se traslada al póker y el
ajedrez. No obstante, los juegos como el fútbol y el dilema del prisionero
forman parte de las dinámicas de sumas distintas de cero. La razón es
que aquí se puede empatar, lo que beneficia de alguna mínima forma a
ambas partes, algo que no sucede en la suma cero.

Equilibrio de Nash: Dentro de la teoría de juegos es uno de los ejemplos

más aplicados en la actualidad. Básicamente consiste en que, ninguno de
los usuarios puede ganar modificando su táctica mientras los demás sí
mantengan la suya. Esto significa que cada decisión que toma una
persona de una u otra manera perjudica la situación. Por ende, lo

41
interesante en esta situación es que los jugadores quieren mejorar la
coyuntura, pero no lo hacen al desconocer las intenciones de los demás.
Así es como se llega al denominado equilibrio.

Simultáneos o secuenciales: En el caso de los juegos secuenciales, cada

jugador se comporta luego de haber actuado otro, lo que explica el
nombre. Por otro lado, en simultáneo todos actúan al mismo tiempo y
refleja el comportamiento que podrían tener. De esta manera, es
interesante ver las diferentes reacciones que se dan en cada situación, ya
que el panorama es completamente diferente. Estos tipos de dinámicas
reflejan muy bien cuál es la importancia de la teoría de juegos en el día a
día.

Toma de decisiones bajo condiciones de certidumbre.

Una clase importante de problemas de decisiones incluye aquellos en los

cuales cada acto disponible para quien toma la decisión tiene
consecuencias que pueden ser conocidas previamente con certeza. A
tales problemas se le llama toma de decisiones bajo condiciones de
certeza.
La toma de decisiones bajo certeza no es un proceso sencillo, cada una
de las tareas a las que se enfrenta quien toma la decisión bajo
certidumbre (identificar los actos disponibles, medir las consecuencias y
seleccionar el mejor acto) involucra el uso de la teoría de la programación
lineal.

La certeza o certidumbre es la condición en que los individuos son

plenamente informados sobre un problema, las soluciones alternativas
son obvias, y son claros los posibles resultados de cada decisión. En
condiciones de certidumbre, la gente puede al menos prever (si no es que
controlar) los hechos y sus resultados. Esta condición significa el debido
conocimiento y clara definición tanto del problema como de las soluciones
alternativas. Una vez que un individuo identifica soluciones alternativas y
sus resultados esperados, la toma de la decisión es relativamente fácil.

42
Modelos matemáticos asociados.

El análisis del punto de equilibrio.

Programación lineal. 

Características:

Los parámetros son constantes conocidos y ciertos.

Solamente hay una consecuencia para cada alternativa.
Se tiene conocimiento total sobre el problema.
Información exacta, medible y confiable acerca del resultado de
cada una de las alternativas que consideremos.

Toma de decisiones bajo riesgo.

Este escenario presenta una situación intermedia: cada alternativa,

estrategia o curso de acción tiene varias consecuencias posibles, pero la
persona encargada de tomar la decisión conoce la probabilidad de que se
dé cada una de ellas. Aunque la elección no será tan fácil como en el
caso de las decisiones bajo certeza, será posible aplicar un modelo de
toma de decisiones que la facilite.

Sistema de Colas.

Características

Las siguientes características se aplican a los sistemas de colas:

Una población de clientes, que es el conjunto de los clientes

posibles.
Un proceso de llegada, que es la forma en que llegan los clientes
de esa población.
Un proceso de colas, que está conformado por la manera que los
clientes esperan para ser atendidos y la disciplina de colas, que es
la forma en que son elegidos para proporcionarles el servicio.
Un proceso de servicios, que es la forma y la rapidez con la que es
atendido el cliente

43
 Proceso de salida, que son de los siguientes dos tipos:

a. Los elementos abandonan completamente el sistema después de ser

atendidos, lo que tiene como resultado un sistema de colas de un paso.
Por ejemplo los clientes de un banco esperan en una sola fila, son
atendidos por uno de los tres cajeros y, después que son atendidos
abandonan el sistema.

b. Los productos, ya que son procesados en una estación de trabajo, son

trasladados a alguna otra parte para someterlos a otro tipo de proceso, lo
que tiene como resultado una red de colas. Por ejemplo, los productos
primero son procesados en la estación de trabajo A y después son
enviadas a la estación de trabajo B o C. Los productos terminados en
ambas estaciones, B y C, luego son procesados en la estación D, antes
de abandonar el sistema.

Elementos que Conforman la Teoría de Colas

Proceso Básico de Colas: Los clientes que requieren un servicio se

generan en una fase de entrada. Estos clientes entran al sistema y se
unen a una cola. En determinado momento se selecciona un miembro de
la cola, para proporcionarle el servicio, mediante alguna regla conocida
como disciplina de servicio. Luego, se lleva a cabo el servicio requerido
por el cliente en un mecanismo de servicio, después de lo cual el cliente
sale del sistema de colas.

Fuente de Entrada o Población Potencial: Es un conjunto de individuos

(no necesariamente seres vivos) que pueden llegar a solicitar el servicio
en cuestión. Podemos considerarla finita o infinita. Aunque el caso de
infinitud no es realista, sí permite (por extraño que parezca) resolver de
forma más sencilla muchas situaciones en las que, en realidad, la
población es finita pero muy grande. Dicha suposición de infinitud no
resulta restrictiva cuando, aun siendo finita la población potencial, su
número de elementos es tan grande que el número de individuos que ya

44
están solicitando el citado servicio prácticamente no afecta a la frecuencia
con la que la población potencial genera nuevas peticiones de servicio.

Cliente: Es todo individuo de la población potencial que solicita servicio.

Suponiendo que los tiempos de llegada de clientes consecutivos son 0 <
t1< t2<..., será importante conocer el patrón de probabilidad según el cual
la fuente de entrada genera clientes. Lo más habitual es tomar como
referencia los tiempos entre las llegadas de dos clientes consecutivos:
T{k} = tk - tk-1, fijando su distribución de probabilidad. Normalmente,
cuando la población potencial es infinita se supone que la distribución de
probabilidad de los Tk (que será la llamada distribución de los tiempos
entre llegadas) no depende del número de clientes que estén en espera
de completar su servicio, mientras que en el caso de que la fuente de
entrada sea finita, la distribución de los Tk variará según el número de
clientes en proceso de ser atendidos.

Capacidad de la Cola: Es el máximo número de clientes que pueden estar

haciendo cola (antes de comenzar a ser servidos). De nuevo, puede
suponerse finita o infinita. Lo más sencillo, a efectos de simplicidad en los
cálculos, es suponerla infinita. Aunque es obvio que en la mayor parte de
los casos reales la capacidad de la cola es finita, no es una gran
restricción el suponerla infinita si es extremadamente improbable que no
puedan entrar clientes a la cola por haberse llegado a ese número límite
en la misma.

Disciplina de la Cola: Es el modo en el que los clientes son seleccionados

para ser servidos. Las disciplinas más habituales son:

La disciplina FIFO (first in first out), también llamada FCFS (first come first
served): según la cual se atiende primero al cliente que antes haya
llegado.

La disciplina LIFO (last in first out), también conocida como LCFS (last
come first served) o pila: que consiste en atender primero al cliente que
ha llegado el último.  

45
La RSS (random selection of service), o SIRO (service in random order),
que selecciona a los clientes de forma aleatoria.

Mecanismo de Servicio: Es el procedimiento por el cual se da servicio a

los clientes que lo solicitan. Para determinar totalmente el mecanismo de
servicio debemos conocer el número de servidores de dicho mecanismo
(si dicho número fuese aleatorio, la distribución de probabilidad del
mismo) y la distribución de probabilidad del tiempo que le lleva a cada
servidor dar un servicio. En caso de que los servidores tengan distinta
destreza para dar el servicio, se debe especificar la distribución del tiempo
de servicio para cada uno.

La Cola: Propiamente dicha, es el conjunto de clientes que hacen espera,

es decir los clientes que ya han solicitado el servicio pero que aún no han
pasado al mecanismo de servicio.

El Sistema de la Cola: Es el conjunto formado por la cola y el mecanismo

de servicio, junto con la disciplina de la cola, que es lo que nos indica el
criterio de qué cliente de la cola elegir para pasar al mecanismo de
servicio. Estos elementos pueden verse más claramente en la siguiente
figura:

46
  

Un modelo de sistema de colas debe especificar la distribución de

probabilidad de los tiempos de servicio para cada servidor.

Distribución de los tiempos de servicio y llegada en un sistema de cola

Aunque a veces se sabe exactamente cuándo se van a producir las

llegadas al sistema, en general el tiempo que transcurre entre dos
llegadas consecutivas se modela mediante una variable aleatoria. En
particular, cuando la fuente es infinita se supone que las unidades que
van llegando al sistema dan lugar a un proceso estocástico llamado de
conteo; si todos los tiempos entre llegadas son variables aleatorias
independientes idénticamente distribuidas, se dice que es un proceso de
renovación. Usualmente, el proceso que se utiliza es un proceso de
Poisson.

Cuando la fuente es finita se suele asumir que la probabilidad de que se

produzca una llegada en un intervalo de tiempo es proporcional al tamaño
de la fuente en ese instante.

Se llama capacidad del servicio al número de clientes que pueden ser

servidos simultáneamente. Si la capacidad es uno, se dice que hay un
solo servidor (o que el sistema es monocanal) y si hay más de un
servidor, multicanal. El tiempo que el servidor necesita para atender la

47
demanda de un cliente (tiempo de servicio) puede ser constante o
aleatorio.

¿Por qué estudiar sistemas de colas?

El estudio de las colas es importante ya que proporciona tanto una base

teórica del tipo de servicio que se puede esperar de un determinado
recurso, como la forma en la cual puede ser diseñado. La teoría de colas
es una colección de modelos matemáticos que describen sistemas de
línea de espera. Dichos modelos sirven para encontrar un balance entre
el costo del servicio y el costo asociado a la espera por ese servicio.

Conclusiones.

Para esta tarea, todos los conceptos propuestos se definen en términos

matemáticos permitiendo realizar cálculos y medidas, y además pudiendo
traducirse en algoritmos ejecutables por los computadores. Se ha visto
que lo que hay que conocer y analizar en las redes son las estructuras y
la dinámica (evolución, desarrollo, crecimiento), los contenidos y usos.
Acerca de cómo podemos analizarlos, se ha insistido sobre el empleo de
la teoría de grafos en lo que se refiere a la estructura; de la ley de
potencia libre de escala en el análisis de las redes en tanto que sistemas
complejos no lineales; y de la clasificación automática no supervisada
(clustering) combinada con la teoría de grafos para el análisis de los
contenidos y usos de la Web que, por cierto, es el ejemplo más evidente
de una red tecnológica de la comunicación en la cual habitan las redes de
conocimientos.

La mayoría de las técnicas de análisis de la investigación de operaciones

tienen como objetivo principal optimizar. Sin embargo, existen algunas
técnicas en esta rama como es el caso de la teoría de colas, cuyo objetivo
no es la optimización. Esta teoría por demás con un sólido basamento en
la teoría de las probabilidades, busca estudiar cómo se comporta un

48
sistema de cola bajo ciertos parámetros, en función de la toma de
decisiones.

Muchos son los contextos donde esta es aplicable, ejemplificado en este

trabajo a través de un problema práctico, en este caso el sistema de
servicio establecido en la Farmacia Hospitalaria Principal de Santiago de
Cuba. Dicho problema se modeló a través de un sistema de servicio con
llegadas de tipo Poisson – exponencial, con dos servidores, y con una
disciplina FIFO; con el fin de estudiarla, y desde esta perspectiva
determinar, aquellos parámetros que permitieran valorar el rendimiento
del sistema de servicio actualmente en explotación, y en consecuencia la
toma de decisiones a corto y mediano plazo, en función de ofrecer un
mayor y mejor servicio.

Se pudo determinar a través de los parámetros calculados que, el diseño

del sistema de servicio en dicha farmacia muestra que existe una alta
probabilidad de que se generen colas, y que los clientes permanezcan en
ella por más de 5 minutos. Por ello las recomendaciones para la toma de
decisiones fueron encaminadas a garantizar la disponibilidad de los
dependientes, trazar estrategias que coadyuven a reducir el número de
clientes en la cola, hacer más amena la estancia en ella, así como valorar
y evaluar su rediseño.

En las ocasiones donde no pueden asignarse probabilidades a los

eventos posibles, a la hora de tomar una decisión, se llama toma de
decisiones bajo incertidumbre. Se basa en la experiencia de la persona
que tiene que tomar la decisión y se presenta cuando no se puede
predecir el futuro en función de las experiencias pasadas (normalmente
va asociado con muchas variables incontrolables).

En este tipo de decisiones no se conoce como pueden variar o interactuar

las diferentes variables del problema por lo que hay que plantear las
diferentes alternativas para la solución.

49
Tomar decisiones siempre es complicado, sobre todo cuando no se
dispone suficiente información para poder tomarlas con la mayor
seguridad posible. Por eso, antes de tomar cualquier decisión (y más en
aquellas decisiones importantes en las que te juegas el negocio) debes
parar y analizar las alternativas. Recordando que la peor decisión es la
que no se toma.

Referencias Bibliográficas.
    Simón, H.A (1980): El comportamiento administrativo. Estudios de los
procesos decisorios en la organización administrativa, Aguilar,
Madrid,1980.

Chase y Jacobs (2014). Administración de operaciones. Producción y

cadena de suministros. Mc Graw Hill.

Romero (2002). Programación por metas: Pasado, presente y futuro.

Universidad Politécnica de Madrid.

Taha (2012). Investigación de operaciones. Novena edición. Pearson

Educación.

Publicación de la Universidad Manuela Beltrán realizada por Beatriz

Lorena Rodríguez.

Publicación de Bryan Salazar López Ingeniero Industrial, Magíster en

Logística Integral, especializado en productividad, con interés y
experiencia en el modelamiento de procesos bajo dimensiones de
sostenibilidad.

50
Hillier FS, Lieberman GJ. Fundamentos de Investigación de Operaciones.
9na ed. México D.F.: McGraw–Hill Interamericana; 2014.

     Winston WL. Investigación de Operaciones. Aplicaciones y Algoritmos.

4ta ed. Stamford: Editorial Thomson Internacional; 2004.

     Chase RB, Jacobs FR, Aquilano RJ. Administración de Operaciones.

12ma ed. México D.F.: McGraw–Hill Interamericana; 2009.

      Shortle JF, Thompson JM, Gross D, Harris CM. Fundamentals of

Queueing Theory. 5th Edition. New York: John Wiley & Sons, Inc.; 2017.

     Manual de Normas y Procedimientos en una Farmacia Comunitaria.

Ministerio de Salud Pública. (junio de 2005).

    Medhi J. Stochastic Models in Queueing Theory. 2nd Edition. New

York: Academic Press; 2002.

      Haghighi AM, Mishev DP. Delayed and Network Queues. New York: 
John Wiley & Sons, Inc.; 2016.

      Allen A. Probability, Statistics, and Queueing Theory. 2nd Edition. New
York: Academic Press; 2014.

      Asmussen S. Applied Probability and Queues. New York: Springer–

Verlag; 2003.

Oc,F, (2010), Modelos de redes-Investigación de Operaciones,

recuperado de http://www.slideshare.net/FreddOc/modelos-de-redes-
investigacin-de-operaciones

Taha, H. A. (2012), Investigación de Operaciones, (9ª Ed.), México,

Pearson Educación. ISBN: 978-607-32-0796-6

Raffo, E. (1990), Investigación de Operaciones, Lima, Raffo Lecca

Editores, Código de Biblioteca: 658.4034/T16

51
https://www.ingenieriaindustrialonline.com/investigacion-de-operaciones/
teoria-de-redes/#:~:text=El%20algoritmo%20del%20%C3%A1rbol
%20de,cantidad%20variable%20seg%C3%BAn%20el%20contexto

https://www.grapheverywhere.com/arbol-de-expansion-de-peso-minimo/
#:~:text=El%20%C3%A1rbol%20de%20expansi%C3%B3n%20de,usos
%20que%20analizaremos%20a%20continuaci%C3%B3n.

https://sites.google.com/site/invsop1puntomodelo/flujo-maxim

https://www.eoi.es/blogs/madeon/2013/04/15/metodos-pertcpm/

52
53